ArcGIS 空间统计知多少？产品技术部 王莉目录 1、空间统计概述（5min） 2、ArcGIS 空间统计（15min） 3、ArcGIS集成R语言（20min）1、空间统计传统统计VS空间统计什么是空间统计？空间统计：将空间信息（面积、长度、邻近关系、朝向和空间关系）整合到经典统 计分析中，以研究与空间位置相关的事物和现象的空间关联和空间关系 ，从而揭示要素的空间分布规律。为什么需要空间统计？空间统计能做什么？空间统计分析使我们更深入、定量化的 了解： 分布特征 空间关系 分布模式2、ArcGIS空间统计度量地理分布工具集ArcGIS空间统计工具聚类分布制图工具集分析模式工具集空间关系建模工具集分布模式分析分布特征分析空间关系建模分布特征分析平均中心中位数中心中心要素中心要素 集中特征 分散特征线性方向平均值分布特征分析 集中特征 分散特征应用场景：仓库选择：中心要素开新店： 平均中心（离散程度小） 中位数中心（离散程度大）分布特征分析 集中特征 分散特征标准差椭圆标准距离分X、Y方向分别计算标准差X、Y方向合起来的总体标准差分布特征分析应用场景：长轴方向：犯罪模式、疾病传播模式、污染物扩散模式等 面积覆盖：不同人种活动范围关系、不同物种间活动范围关系等 分布模式分析集聚 离散位置 VS 属性分布模式分析位置 VS 属性应用场景：固定研究区，比如在同一城市范围内，不同类型的企业之间的分布情况的研究；或 者同一类型的企业，在固定区域以内，随着不同年份的变化情况的研究。 平均最近邻分布模式分析 全局统计：从总体上判断要素的分布状态（集聚、分散） 空间自相关（MoranI） 高低聚类（Getis-Ord General G） 局部统计：识别要素聚类或分散的位置和程度（热点、冷点） 聚类和异常值（Anselin Local MoranI） 热点分析（Getis-Ord G*）位置 VS 属性分布模式分析 全局统计：从总体上判断要素的分布状态（集聚、分散） 空间自相关（MoranI） 高低聚类（Getis-Ord General G）位置 VS 属性区别： 空间自相关：模式判断 高低聚类：高值聚类VS低 值聚类Where？分布模式分析 局部统计：识别要素聚类或分散的位置和程度（热点、冷点） 聚类和异常值（Anselin Local MoranI） 热点分析（Getis-Ord G*）位置 VS 属性分布模式分析Z得分表示标准偏差，P值 表示要素分布是完全空间 随机分布的概率。Z Score (Standard Deviations)P-Value (Probability)Confidenc e Level+/-1.65 0.1090%+/-1.960.0595%+/-2.580.0199%Z得分 = 2.0= 95%空间关系建模 空间回归在经典统计回归分析中考虑了空间自相关性，通过空 间关系把属性数据与空间位置关系结合起来： OLS（普通最小二乘回归） GWR（地理加权回归）度量地理分布工具集ArcGIS空间统计工具聚类分布制图工具集分析模式工具集空间关系建模工具集分布模式分析分布特征分析空间关系建模3、ArcGIS集成R语言R语言用于统计计算和作图的语言 数据计算与分析的环境 大量的第三方功能包，开源聚类：cluster, mclust 分类：randomForest, tree, ctree 时间序列：timsac, ts，zoo 统计：anova, glm 图表：hist, pie, lattice, ggplot26000+ArcGIS VS RArcGISR其它统计空间统计？树种聚类河流污染物预测疾病预测意义：在ArcGIS中方便实现高级、复杂统计方法，并且进行空间可视化表达如何安装？ 环境要求： ArcMap 10.3.1及其以上版本或者ArcGIS Pro 1.1及其以上版本 R 3.1.0及其以上版本 确保网络连接 安装部署： ArcMapProhttps:/r-arcgis.github.io/集成原理R：直接读写ArcGIS支持的空间数据类型 ArcGIS中：识别R源码封装成的GP工具，从而调用R的分析功能 集成原理-arcgisbinding包：tool_exec - function(in_params, out_params) input1 - in_params1 input2 - in_params2 ouput1 - out_params1 return(out_params) arc.check_prod uct()建立与ArcGIS的连接arc.open(); arc.write()读写ArcGIS支持的空间数据类型的函 数arc.shape(); arc.shapeinfo()读取形状信息arc.select()将arc.dataframe类型转换成R里普通的 data frame类型Demo：疾病预测半参数回归利用R提供的SemiPar包，实现对二值化数据的建模和预测。工具的参数介绍如下：Input Feature：待回归建模的数据，包含建模所需要的属性信息。Location to Predict：待预测的数据。Dependent Variable：回归方程的因变量Y。Output Prediction Feature Class：输出的预测结果。包含了每个点的预测概率值以及置信区间。Linear Explanatory Variables：自变量X中的线性变量。Nonlinear Explanatory Variables：自变量X中的非线性变量。Demo：疾病预测malaria：在被调查儿童的血液中是否检测到疟疾。有为1，无为0.green：绿度。这里用NDVI来量化。很多研究发现绿度是影响文字数量，疟疾传播的重要因素，而且与疟疾发生率有着非线性的关系。age：被调查儿童的年龄（以天为单位）。研究表明，大龄儿童更容易被感染疟疾。netuse：表示是否有习惯使用蚊帐。有为1，无为0. 蚊帐的使用可以一定程度上降低被蚊虫叮咬的可能。而蚊虫是疟疾的主要传播途径之一，所以使用蚊帐也可以降低疟疾发生的风险。healthcenter：疟疾是一种可治愈的疾病，所以对健康中心，医院的可达性和便利程度也是影响疟疾发生的重要线性指标。有为1，无为0总结传统统计 VS 空间统计 ArcGIS 空间统计：分布特征、分布模式、空间关系建模 强有力的补充：ArcGIS集成R语言ArcGIS极客说专题详细解释 更多案例 更深度更复杂的空间统计 其它技术热点 2016Esri空间信息开发者大会